用于从单时间点合成时间依赖脑图数据的Deep EvoGraphNet架构
图像与视频处理
2020-09-29 v1 计算机视觉与模式识别
摘要
学习如何预测脑连接组（即图）的发育与衰老，对于描绘脑连接异常演变的 Disorder内与跨Disorder图景的未来至关重要。事实上，从单一时间点预测随时间出现并演化的纵向（即时间依赖）脑连接异常，有助于在极早期为病患设计个性化治疗。尽管意义重大，脑图演化模型在文献中很大程度上被忽视。在此，我们提出EvoGraphNet，首个端到端几何深度学习驱动的图生成对抗网络(gGAN)，用于从单时间点预测时间依赖的脑图演化。我们的EvoGraphNet架构级联一组时间依赖的gGAN，其中每个gGAN将其预测的某时间点的脑图传递给级联中下一时间点的gGAN进行训练。因此，我们通过将每个生成器的输出设为后继的输入来获得每个后续预测时间点，从而能够以端到端方式仅用单一时间点预测给定数量的时间点。在每个时间点，为了更好地对齐预测脑图分布与真实脑图分布，我们进一步集成了一个辅助Kullback-Leibler散度损失函数。为捕获两次连续观测间的时间依赖性，我们施加l1损失以最小化两个序列化脑图间的稀疏距离。一系列针对EvoGraphNet变体及消减版本的基准测试表明，使用单一基线时间点我们可实现最低的脑图演化预测误差。我们的EvoGraphNet代码可在 http://github.com/basiralab/EvoGraphNet 获取。
引用
@article{arxiv.2009.13217,
title = {Deep EvoGraphNet Architecture For Time-Dependent Brain Graph Data Synthesis From a Single Timepoint},
author = {Ahmed Nebli and Ugur Ali Kaplan and Islem Rekik},
journal= {arXiv preprint arXiv:2009.13217},
year = {2020}
}